致编辑
Zhang 等人利用主成分分析 (PCA) 和潜在剖面分析 (LPA) 检查了 2 型糖尿病患者舌象特征与肌肉骨骼疼痛之间的关系。他们的研究为表征该人群的舌象相关模式提供了一种探索性方法。然而，将数据衍生出的剖面解释为具有临床意义的亚组，关键取决于类别枚举过程的透明度和稳健性。我们希望强调关于选择五类解决方案及其与肌肉骨骼疼痛关联解释的几个方法论考量。引用1
首先，选择五类解决方案的理由值得更充分的解释
作者评估了包含一至六类的模型。报告的五类模型赤池信息准则 (AIC) 为 5473.894，贝叶斯信息准则 (BIC) 为 5596.347，熵为 0.836，最小类别占样本的 15.5%。六类模型的 AIC (5356.156) 和 BIC (5500.476) 更低，而其熵略低 (0.833)，其最小类别占参与者的 10.4%。Lo–Mendell–Rubin (LMR) 似然比检验报告称，从两类到六类的每一个解决方案均显著。引用1
这些发现并未确立六类解决方案更优，也未证明五类解决方案无效；相反，报告的标准并未都汇聚于单一解决方案。信息准则、似然比检验、分类质量、类别规模和实质性可解释性提供了不同类型的证据，应综合考虑。引用2,引用3 特别是熵，它描述已分配类别的分离程度，不应独立决定类别数量。引用3 六类模型 LMR 结果显著表明，根据该检验，六类比五类拟合更好，因此似然比检验本身无法确定枚举应停止在哪里。
作者解释说，五类之后 AIC 和 BIC 的下降速度放缓，且熵很高，每个类别超过 15%。这一理由可以进一步发展，原因有三。首先，下降速度放缓是一种非正式的肘部判断；从五到六的绝对减少量仍然可观 (ΔAIC 117.7; ΔBIC 95.9)，且没有正式的肘部检验。其次，未报告样本量调整的 BIC 和自举似然比检验，而模拟研究表明这些对于类别枚举相对可靠引用2。第三，要求每个类别超过 15% 并非标准指导，六类解决方案中的最小类别 (10.4%，约 61 名参与者) 通常不会被认为小到无法解释。
因此，我们并不建议五类解决方案是错误的，我们同意枚举不应仅依赖于单一指标。然而，对实质性考虑更清晰的说明将有助于读者评估该决定：额外的类别是否代表了实质上不同的舌象特征模式，还是主要细分了现有剖面？是否有关于稀疏类别、不稳定的估计或有限的临床可解释性的担忧？
其次，剖面分配的稳健性及下游关联值得关注
LPA 根据估计概率将个体分配到剖面中，在后续分析中将分配的会员身份视为观察到的分类变量可能无法完全反映分类不确定性。引用2,引用3 尽管报告的熵表明剖面有合理的区分，但仅凭熵无法确立个体分配对于推断足够确定。报告每个剖面的平均后验概率和错误分类率将有助于读者判断分类不确定性的程度。
这一问题相关，因为作者使用第五个剖面作为参考类别，并报告了剖面 4 与肌肉骨骼疼痛之间存在统计学显著关联 (调整后优势比 (OR) 2.048; 95% 置信区间 (CI) 1.148–3.655)，而其他报告的剖面比较无统计学显著性。引用1 对此对比的解释部分取决于剖面的稳定性和独特性。如果类别的数量或组成发生变化，“剖面 4"和“剖面 5"的含义也可能随之改变，从而影响估计的关联。
因此，我们鼓励作者澄清是否在替代的合理类别解决方案下，特别是六类模型下，检验了疼痛关联。在可行的情况下，敏感性分析可以比较候选模型之间的剖面组成和调整后的关联模式，而将分类不确定性向后传递的方法将进一步增强推断基础。目的是确立实质性解释是否对合理的建模选择具有稳健性。
一个相关的问题涉及多重性的处理。方法部分指出，完全调整模型的结果使用 Benjamini–Hochberg 程序对多重检验进行了校正，因此单个舌参数的表格相应地报告了调整后的 Q 值。然而，报告综合得分和剖面比较的表格呈现了未调整的 P 值，其注释未提及校正。这很重要，因为剖面比较是研究结论的核心：在报告的四个比较中，只有剖面 4 的对比具有显著性 (P = 0.015)。如果对这四个比较应用相同的 Benjamini–Hochberg 程序，对应的调整后值将约为 0.060。我们提出这一点并非暗示该关联是虚假的，而是因为读者无法得知这一结果是否是在与参数水平分析相同的多重性框架下报告的，或者为何它会豁免。明确说明该方法并在适用时报告调整后值，将解决这一歧义。
第三，已识别剖面的临床意义应保持适当的探索性
该研究结合 PCA 衍生的舌象特征信息与 LPA 来识别观察样本中的模式。引用1 这种数据驱动的剖面可以产生假设，但它们不应自动被视为已确立的临床表型。其可重复性和临床效用需要超越推导样本内分离度的证据。关于潜在类别和剖面分析的方法学工作强调了考虑模型适配度和结果类别实质性意义的重要性。引用2,引用3
因此，除非其稳定性得到进一步分析或独立数据的支持，否则五个剖面更谨慎地描述为探索性统计模式。在独立样本中进行外部验证将有助于确立是否可以恢复类似的剖面，以及它们与肌肉骨骼疼痛的关系是否持续。了解剖面是否提供了超越传统临床特征的额外信息也很有价值。
最后，在将发现转化为临床解释时，结果定义值得考虑。肌肉骨骼疼痛可能因解剖位置、分布和临床表现而异。汇总疼痛报告的二元结果对于初步关联分析可能有用，但它无法确立舌象特征剖面是否与不同的疼痛表现相关。这并不否定报告的关联，但限制了可以从该关联中得出的临床结论的特定性。由于肢体疼痛是最常报告的部位，且近三分之一的受影响参与者报告了两个或更多部位引用1，如果数据允许，按疼痛位置进行的分析可以帮助澄清观察到的关系范围。
总之，Zhang 等人提出了一项关于 2 型糖尿病患者舌象特征剖面与肌肉骨骼疼痛的探索性调查。引用1 对保留五类更清晰的理由，加上解决剖面稳定性、分类不确定性、疼痛关联稳健性及多重性处理的敏感性分析，将增强发现的方法学透明度和临床解释。这些澄清将有助于区分样本特定的统计模式与具有未来疼痛研究潜在价值的可重复剖面。
披露
作者声明不存在已知的相互竞争的财务利益或个人关系，这些可能影响本通讯中报告的工作。
